主要内容：
1、r语言爬虫 rvest包的使用。
2、r语言字符串处理stringr包的使用。
3、r语言聚合dplyr 包的使用。
4、r语言可视化ggplot 包的使用。
5、r语言画词云图worldcloud2 包的使用。
6、正则表达式 str_match 的使用
7、sapply的用法。
8、字符串切割函数str_split的 用法。
代码片段1（字符串切割和字符串正则匹配）：
> (a <- "2017-12-25")
[1] "2017-12-25"
> (b <- str_split(a,"-"))
[[1]]
[1] "2017" "12" "25"
> (c <- str_match(a,"-(.*?)-")[,2])
[1] "12"
>
[/code]
**代码片段2（sapply函数 运用，功能强大，类似scala map函数，可自定义函数作用于每个元素）**
```code
(d <- c(1,2,3,4,5,6,7,8,9))
#每个元素乘以2
(e <- sapply(d,function(x) x*2))
**代码片段3（rvest爬虫 管道% >%解析法）： **
# 读取网页内容
page <- html_session(url)
# 获取电影的链接
movie_url <- html_nodes(page, \'p>a\') %>% html_attr("href")
# 获取电影名称
movie_name <- html_nodes(page, \'p>a\') %>% html_text()
[/code]
**代码片段4（dplyr包 group_by 和summarise 的用法，分组求和）**
```code
# 聚合操作
groupby_countrys <- group_by(df, countries)
df <- summarise(groupby_countrys, Freq = sum(Freq))
[/code]
**代码片段5（arrange 排序功能）**
```code
# 降序排序
df <- arrange(df, desc(Freq))
[/code]
**代码片段6（ggplot 画条形图）**
```code
# 1、参评人数最多的Top10的电影
# 配置画图的数据
p <- ggplot(data = arrange(raw_data, desc(evalue_users))[1:10,],
mapping = aes(x = reorder(movie_name,-evalue_users),
y = evalue_users)) +
# 限制y周的显示范围
coord_cartesian(ylim = c(500000, 750000)) +
# 格式化y轴标签的数值
scale_y_continuous(breaks = seq(500000, 750000, 100000),
labels = paste0(round(seq(500000, 750000, 100000)/10000, 2), \'W\')) +
# 绘制条形图
geom_bar(stat = \'identity\', fill = \'steelblue\') +
# 添加轴标签和标题
labs(x = NULL, y = \'评价人数\', title = \'评价人数最多的top10电影\') +
# 设置x轴标签以60度倾斜
theme(axis.text.x = element_text(angle = 60, vjust = 0.5),
plot.title = element_text(hjust = 0.5, colour = \'brown\', face = \'bold\'))
p
[/code]
**全部源码学习：**
```code
rm(list=ls())
gc()
options(scipen = 200)
library(rvest)
library(stringr)
library(dplyr)
library(wordcloud2)
library(ggplot2)
##################################爬虫部分###########################################
# 指定需要抓取的URL
url <- \'https://zhuanlan.zhihu.com/p/22561617\'
# 读取网页内容
page <- html_session(url)
# 获取电影的链接
movie_url <- html_nodes(page, \'p>a\') %>% html_attr("href")
# 获取电影名称
movie_name <- html_nodes(page, \'p>a\') %>% html_text()
# 获取电影的其他描述信息
describe <- html_nodes(page, \'p\') %>% html_text()
# 筛选出需要的子集
describe <- describe[16:443]
# 通过正则表达式匹配评分
score <- as.numeric(str_match(describe, \'.* (.*?)分\')[,2])
# 通过正则表达式匹配评价人数
evalue_users <- as.numeric(str_match(describe, \'分 (.*?)人评价\')[,2])
# 通过正则表达式匹配电影年份
year <- as.numeric(str_match(describe, \'评价 (.*?) /\')[,2])
# 由于生产国和电影类型用/分割，且没有固定的规律，故将生产国和电影类型存入到一个变量中
other <- sapply(str_split(describe, \'/\', n = 2),\'[\',2)
# 构建数据框
raw_data <- data.frame(movie_name, movie_url,score,evalue_users,year,other)
head(raw_data)
# 将抓取的数据写出到本地
write.csv(raw_data, \'E:/ID/data/movies.csv\', row.names = FALSE)
###############################数据处理部分#############################################
# 需要将电影的其他描述信息进行拆分
# 前往搜狗官网，下载所有国家名称的字典，再利用“深蓝词库转换”工具，将scel格式的字典转换成txt
# http://pinyin.sogou.com/dict/detail/index/12347
countrys <- readLines(file.choose())
# 把数据集中的other变量进行切割
cut_other <- str_split(raw_data$other, \'/\')
head(cut_other)
# 删除所有空字符串
cut_other <- sapply(cut_other, function(x) x[x != " "])
# 剔除字符串中的收尾空格
cut_other <- sapply(cut_other, str_trim)
head(cut_other)
# 提取出所有关于电影所属国家的信息
movie_country <- sapply(cut_other, function(x,y) x[x %in% y], countrys)
head(movie_country)
# 提取出所有关于电影所属类型的信息
movie_type <- sapply(cut_other, function(x,y) x[!x %in% y], countrys)
head(movie_type)
# 数据分析
# 1、参评人数最多的Top10的电影
# 配置画图的数据
p <- ggplot(data = arrange(raw_data, desc(evalue_users))[1:10,],
mapping = aes(x = reorder(movie_name,-evalue_users),
y = evalue_users)) +
# 限制y周的显示范围
coord_cartesian(ylim = c(500000, 750000)) +
# 格式化y轴标签的数值
scale_y_continuous(breaks = seq(500000, 750000, 100000),
labels = paste0(round(seq(500000, 750000, 100000)/10000, 2), \'W\')) +
# 绘制条形图
geom_bar(stat = \'identity\', fill = \'steelblue\') +
# 添加轴标签和标题
labs(x = NULL, y = \'评价人数\', title = \'评价人数最多的top10电影\') +
# 设置x轴标签以60度倾斜
theme(axis.text.x = element_text(angle = 60, vjust = 0.5),
plot.title = element_text(hjust = 0.5, colour = \'brown\', face = \'bold\'))
p
# 2、一部经典的电影需要多少国家或地区合拍
# 统计每一部电影合拍的国家数
movie_contain_countrys <- sapply(movie_country, length)
table(movie_contain_countrys)
# 由于电影的制作包含5个国家及以上的分别只有1部电影，故将5个国家及以上的当做1组
# 转化为数据框
df <- as.data.frame(table(movie_contain_countrys))
# 数据框变量的重命名
names(df)[1] <- \'countries\'
# 数据类型转换
df$countries <- as.numeric(as.character(df$countries))
df$countries <- ifelse(df$countries<=4, df$countries, \'5+\')
# 聚合操作
groupby_countrys <- group_by(df, countries)
df <- summarise(groupby_countrys, Freq = sum(Freq))
# 数据类型转换，便于后面可视化
df$countries <- factor(df$countries)
df
# 运用环形图对上面的数据进行可视化
# 定义数据，用于画图
df$ymax <- cumsum(df$Freq)
df$ymin <- c(0, cumsum(df$Freq)[-length(df$ymax)])
# 生成图例标签
labels <- paste0(df$countries,\'(\',round(df$Freq/sum(df$Freq)*100,2),\'%\',\')\')
# 绘图
p <- ggplot(data = df, mapping = aes(xmin = 3, xmax = 4, ymin = ymin,
ymax = ymax, fill = countries)) +
# 矩形几何图
geom_rect(size = 5) +
# 极坐标变换
coord_polar(theta = \'y\') +
# 环形图
xlim(1,4) +
# 添加标题
labs(x = NULL, y =NULL, title = \'一部电影需要多少国家合作\') +
# 设置图例
scale_fill_discrete(breaks = df$countries, labels = labels) +
theme(legend.position = \'right\',
plot.title = element_text(hjust = 0.5, colour = \'brown\', face = \'bold\'),
axis.text = element_blank(),
axis.ticks = element_blank(),
panel.grid = element_blank(),
panel.background = element_blank()
)
p
# 3、经典电影产量top10都是哪些国家
# 罗列出所有电影的拍摄国家
top_countris <- unlist(movie_country)
# 频数统计，并构造数据框
df <- as.data.frame(table(top_countris))
# 降序排序
df <- arrange(df, desc(Freq))
df
# 香港，中国大陆和 台@@湾 入围前十，分别是第5，第7和第10名。前三的归美国，英国和日本。美国绝对是量产的国家，远远超过第二名的英国。
# 运用文字云对上面的数据进行可视化
wordcloud2(df, backgroundColor = \'black\', rotateRatio = 2)
# 4、这些经典电影主要都是属于什么类型
# 罗列出所有电影的类型
top_type <- unlist(movie_type)
# 构造数据框
df <- as.data.frame(table(top_type))
# 降序排序
df <- arrange(df, desc(Freq))
df
# 由于几乎所有的电影都贴上剧情这个标签，我们暂不考虑这个类型，看看其他的类型top15分布
# 去除第一行的（剧情）类型
df <- df[-1,]
df$top_type <- as.character(df$top_type)
# 我们使用条形图来反馈上面的数据情况
# 提取出前15的类型
df$top_type <- ifelse(df$top_type %in% df$top_type[1:15], df$top_type, \'其他\')
# 数据聚合
groupby_top_type <- group_by(df, top_type)
df <- summarise(groupby_top_type, Freq = sum(Freq))
# 排序
df <- arrange(df, desc(Freq))
# 构造数值标签
labels <- paste(round(df$Freq/sum(df$Freq)*100,2),\'%\')
p <- ggplot(data = df, mapping = aes(x = reorder(df$top_type, Freq), y = Freq)) +
# 绘制条形图
geom_bar(stat = \'identity\', fill = \'steelblue\') +
# 添加文字标签
geom_text(aes(label = labels), size = 3, colour = \'black\',
position = position_stack(vjust = 0.5), angle = 30) +
# 添加轴标签
labs(x = \'电影类型\', y = \'电影数量\', title = \'top15的电影类型\') +
# 重组x轴的标签
scale_x_discrete(limits = c(df$top_type[df$top_type!=\'其他\'],\'其他\')) +
# 主题设置
theme(plot.title = element_text(hjust = 0.5, colour = \'brown\', face = \'bold\'),
panel.background = element_blank())
p
# 前三名的电影类型分别为爱情、喜剧和犯罪
# 5、哪些年代的电影好评度比较高
# 根据年份的倒数第二位，判读所属年代
raw_data$yearS <- paste0(str_sub(raw_data$year,3,3),\'0\',\'S\')
# 对年代聚合
groupbyYS <- group_by(raw_data, yearS)
yearS_movies <- summarise(groupbyYS, counts = n())
# 绘图
p <- ggplot(data = yearS_movies,
mapping = aes(x = reorder(yearS, -counts),
y = counts)) +
# 绘制条形图
geom_bar(stat = \'identity\', fill = \'steelblue\') +
# 添加轴标签和标题
labs(x = \'年代\', y = \'电影数量\', title = \'各年代的好评电影数量\') +
# 主题设置
theme(plot.title = element_text(hjust = 0.5, colour = \'brown\', face = \'bold\'),
panel.background = element_blank())
p
# 6、评分top5的电影类型
# 所有电影类型
types <- unique(unlist(movie_type))
# 定义空的数据框对象
df = data.frame()
# 通过循环，抓取出不同标签所对应的电影评分
for (type in types){
res = sapply(movie_type, function(x) x == type)
index = which(sapply(res, any) == 1)
df = rbind(df,data.frame(type,score = raw_data[index, \'score\']))
}
# 按电影所属类型，进行summary操作
type_score <- aggregate(df$score, by = list(df$type), summary)
# 数据集进行横向拼接为数据框
type_score <- cbind(Group = type_score$Group.1, as.data.frame(type_score$x))
# 按平均得分排序
type_score <- arrange(type_score, desc(Mean))
type_score
# 单从电影类型的平均得分来看，灾难片、恐怖片和儿童片位居前三，尽管分别只有3部，2部和12部。
# 7、评论人数和评分之间的关系
p <- ggplot(data = raw_data, mapping = aes(x = evalue_users, y = score)) +
# 绘制散点图
geom_point(colour = \'steelblue\') +
# 添加一元线性回归拟合线
geom_smooth(method = \'lm\', colour = \'red\') +
# 添加轴标签和标题
labs(x = \'评论人数\', y = \'评分\', title = \'评论人数与评分的关系\') +
# 设置x轴的标签格式
scale_x_continuous(breaks = seq(30000, 750000, 100000),
labels = paste0(round(seq(30000, 750000, 100000)/10000, 2), \'W\')) +
scale_y_continuous(breaks = seq(8, 9.6, 0.2)) +
# 主题设置
theme(plot.title = element_text(hjust = 0.5, colour = \'brown\', face = \'bold\'))
p
[/code]
请发表评论